基于无监督深度图像生成的盲降噪模型

打开文本图片集

摘 要：鉴于有监督神经网络降噪模型的数据依赖缺陷，提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先，利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中，所得到的降噪后图像（称为初步降噪图像）作为UDIG降噪模型的输入；其次，选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数；再次，以loss最小化为优化目标，通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像；最后，当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程，从而确保生成图像（作为降噪后图像）的图像质量最佳。（剩余18005字）